Key points are not available for this paper at this time.
OBJETIVO: O objetivo deste estudo foi desenvolver uma plataforma de visão computacional para localizar automaticamente eventos críticos em vídeos cirúrgicos e fornecer clipes curtos documentando a visão crítica de segurança (CVS) na colecistectomia laparoscópica (LC). CONTEXTO: Eventos intraoperatórios são tipicamente documentados através de relatórios ditados pelo operador que nem sempre traduzem a realidade operatória. Vídeos cirúrgicos fornecem informações completas sobre procedimentos cirúrgicos, mas o ônus associado ao armazenamento e à análise manual de vídeos longos tem limitado seu uso eficaz até agora. MÉTODOS: Uma plataforma de visão computacional chamada EndoDigest foi desenvolvida e utilizada para analisar vídeos de LC. O erro absoluto médio (MAE) da plataforma na localização automática do tempo manualmente anotado da divisão do ducto cístico em vídeos longos foi avaliado. A relevância dos clipes de vídeo curtos extraídos automaticamente foi avaliada calculando-se a porcentagem de clipes de vídeo nos quais a CVS foi avaliável pelos cirurgiões. RESULTADOS: Um total de 155 vídeos de LC foram analisados: 55 desses vídeos foram usados para desenvolver o EndoDigest, enquanto os 100 restantes foram usados para testá-lo. O tempo da divisão do ducto cístico foi localizado automaticamente com um MAE de 62,8 ± 130,4 segundos (1,95% da duração do vídeo longo). A CVS foi avaliável em 91% dos clipes de vídeo de 2,5 minutos extraídos automaticamente dos procedimentos de teste considerados. CONCLUSÕES: Modelos de aprendizado profundo para análise de fluxo de trabalho podem ser usados para localizar de forma confiável eventos críticos em vídeos cirúrgicos e documentar a CVS em LC. Estudos adicionais são necessários para avaliar o impacto clínico das soluções de ciência de dados cirúrgicos para uma colecistectomia laparoscópica mais segura.
Mascagni et al. (qui,) estudaram essa questão.